リソースが少ない環境で,微調整のないLLMで医療機関をつなぐ

科学分野:

• 生物医学における自然言語処理
• 人工知能
• 医療情報学

背景:

• メディカルエンティティのリンクは,テキストの言及を標準化されたオントロジー概念に整合させます.
• 既存の方法は多くの場合,膨大なデータとコンピューティングリソースを必要とします.
• 監視されたモデルとドメイン固有の埋め込みは一般的ですが,リソースが密集しています.

研究 の 目的:

• メディカルエンティティのリンクのための大型言語モデル (LLM) を調査する.
• 同義語拡張と文脈学習を介してLLMを使用して候補者の生成と曖昧さを高める.
• LLMベースのアプローチを伝統的な文字列マッチングと監督された方法と比較して評価する.

主な方法:

• コンテキスト学習を使用してLLMと組み合わせた文字列のマッチング,微調整を避ける.
• LLMで生成された候補者生成の同義語による拡張された言及範囲.
• エントリティの曖昧さを解明するためのショットプロンプトでLLMを使用しました.

主要な成果:

• MedMentionsのデータセットで 56%のリンク精度を達成し,文字列のマッチングを上回りました.
• 候補生成は70%のリコールに達し,曖昧さは80%の精度に達しました.
• LLMで生成された記述は一貫して精度を向上させなかった.

結論:

• LLMは,低リソースのシナリオで医療機関のリンクの可能性を示しています.
• 提案された方法は,監督されたモデルに対する軽量で微調整のない代替案です.
• このアプローチは,生物医学を超えた他の領域とオントロジーに適応できます.